Was ist ein KI-Modell? Typen, Beispiele und Governance

Auf einen Blick

• Ein KI-Modell ist ein Programm, dessen Verhalten aus Daten gelernt wird; es wandelt Eingaben wie Text, Bilder oder Zahlen in Vorhersagen, Klassifikationen oder erzeugte Inhalte um.
• Ein Modell ist weder ein Algorithmus (die Methode) noch ein KI-System (das einsatzfähige Produkt). Das europäische Recht regelt Modelle und Systeme inzwischen getrennt.
• Die wichtigsten Familien sind überwachte, unüberwachte, bestärkende und tiefe Lernmodelle, nach Ausgabe unterteilt in diskriminative und generative Typen, mit Basismodellen an der Spitze.
• Die meisten Organisationen betreiben bereits mehr KI-Modelle, als sie benennen können, über eingebettete Funktionen und Drittanbieter-Werkzeuge: Genau dort verbirgt sich das Governance-Risiko.
• Zu wissen, was ein KI-Modell ist, zählt weniger als zu wissen, wie man es inventarisiert, dokumentiert und nach der EU-KI-Verordnung, der Norm ISO/IEC 42001 und dem NIST AI RMF steuert.

Was ist ein KI-Modell?

Ein KI-Modell ist ein Softwareprogramm, dessen Verhalten aus Daten gelernt und nicht von Hand geschrieben wird. Während des Trainings passt das Modell Millionen oder Milliarden interner Werte an, die als Parameter oder Gewichte bezeichnet werden, bis es eine Eingabe einer nützlichen Ausgabe zuordnen kann. IBM beschreibt ein Modell als ein Programm, das Algorithmen auf Daten anwendet, um Muster zu erkennen und Vorhersagen oder Entscheidungen ohne schrittweise menschliche Anweisung zu treffen (IBM). Microsoft versteht es als den Motor im Inneren eines KI-Systems, der Algorithmen, Trainingsdaten und Parameter verbindet (Microsoft Azure).

Eine begriffliche Klarstellung ist nötig. Dieser Beitrag behandelt die technische Bedeutung von „KI-Modell“, also das trainierte Programm. Er betrifft nicht die davon unabhängige Verwendung des Begriffs für eine synthetische Mode- oder Social-Media-Persönlichkeit, die einen anderen Teil der Suchergebnisse füllt.

Die praktische Definition hat zwei Phasen. Das Training ist jene Phase, in der das Modell Muster aus großen Datensätzen lernt. Die Inferenz ist der Moment, in dem das trainierte Modell eine neue, ungesehene Eingabe erhält und auf Grundlage des Gelernten eine Ausgabe erzeugt. Nahezu alles, was eine Organisation steuern muss, von der Datenherkunft bis zum Ausgaberisiko, lässt sich auf eine dieser beiden Phasen zurückführen. Die AI-Sigil-Plattform zeigt, wie ein einzelnes Modell mit Systemen, Risiken und Kontrollen verknüpft ist.

KI-Modell und Algorithmus

Beide Begriffe werden häufig gleichgesetzt, doch sie sind nicht dasselbe. Ein Algorithmus ist das Verfahren: eine Menge von Regeln, etwa der Gradientenabstieg oder die Aufteilung eines Entscheidungsbaums. Ein Modell ist das Ergebnis, das entsteht, wenn dieser Algorithmus auf Daten angewendet wird. Die lineare Regression ist ein Algorithmus; die konkrete Gleichung, die sie nach dem Training mit Ihren Umsatzzahlen liefert, ist ein Modell. Diese Unterscheidung wiegt in der Governance schwer, denn das Risiko liegt im trainierten Modell und seinen Daten, nicht in der allgemeinen Methode.

KI-Modell und KI-System

Dies ist die Unterscheidung, die kaum eine Definition trifft und die nun rechtliches Gewicht hat. Nach der EU-KI-Verordnung werden ein KI-Modell mit allgemeinem Verwendungszweck und ein KI-System getrennt geregelt. Das Modell ist ein Bestandteil. Das System ist das einsatzfähige Produkt, das ein Modell für einen konkreten Zweck nutzbar macht, mit Schnittstelle, Eingaben und Ausgaben. Die Verordnung widmet den Modellen mit allgemeinem Verwendungszweck ein eigenes Kapitel, getrennt von ihren Regeln für KI-Systeme (EU-KI-Verordnung, Kapitel V). Wer diese Grenze richtig zieht, entscheidet, wer wofür einsteht, worauf wir unten zurückkommen.

Wie ein KI-Modell funktioniert: Training, Inferenz und Parameter

Beim Training werden dem Modell große Mengen an Beispielen zugeführt. Mit jedem Durchlauf justiert ein Optimierungsalgorithmus die Gewichte, um den Abstand zwischen der Ausgabe des Modells und der richtigen Antwort zu verringern. Nach genügend Durchläufen kodieren die Gewichte die statistischen Muster der Trainingsdaten. Google Cloud fasst dies als einen auf einem großen Datensatz trainierten Algorithmus zusammen (Google Cloud).

Einige Begriffe kehren in jeder seriösen Erklärung wieder:

• Parameter (Gewichte): die anpassbaren Werte im Inneren des Modells. Mehr Parameter bedeuten in der Regel mehr Leistungsfähigkeit und höhere Kosten.
• Kontextfenster: wie viel Eingabe ein Modell bei der Inferenz auf einmal berücksichtigen kann, besonders bedeutsam für Sprachmodelle.
• Basismodell: ein großes Modell, das breit auf unbeschrifteten Daten trainiert und für viele nachgelagerte Aufgaben angepasst werden kann.

Ein trainiertes Modell taugt nur so weit, wie es verallgemeinert. Ein Modell, das seine Trainingsdaten auswendig lernt, bei neuen Eingaben aber versagt, ist überangepasst; eines, das das Muster nie erfasst hat, ist unterangepasst. Deshalb sind Qualität und Repräsentativität der Trainingsdaten ebenso ein Governance- wie ein Technikthema: Ein mit verzerrten Daten gefüttertes Modell trifft verzerrte Entscheidungen, und das in großem Maßstab. Für eine gesteuerte KI sind die Parameter nicht das einzige Artefakt, das zählt. Die Trainingsdaten, die Bewertungsergebnisse und der vorgesehene Zweck sind das, was Aufsichtsbehörden und Prüfer sehen wollen, weshalb KI-Governance die Dokumentation als Teil des Modells behandelt und nicht als nachträgliche Beigabe.

Die wichtigsten Typen von KI-Modellen

Modelle werden auf zwei einander ergänzende Weisen eingeteilt: danach, wie sie lernen, und danach, was sie ausgeben.

Nach Lernverfahren

• Überwachtes Lernen: trainiert auf beschrifteten Beispielen, um ein bekanntes Ziel vorherzusagen, etwa eine E-Mail als Spam einzuordnen.
• Unüberwachtes Lernen: findet Struktur in unbeschrifteten Daten, etwa die Gruppierung von Kunden nach Verhalten.
• Bestärkendes Lernen: lernt durch Versuch und Irrtum gegen ein Belohnungssignal, verbreitet in Robotik und Empfehlung.
• Tiefes Lernen: nutzt mehrschichtige neuronale Netze und trägt die meisten heutigen Sprach- und Bildmodelle.

Nach Ausgabe: diskriminativ oder generativ

Diskriminative Modelle ordnen Eingaben in Kategorien ein oder sagen einen Wert vorher. Generative Modelle erzeugen neue Inhalte. IBM zieht dieselbe Trennlinie zwischen diskriminativen und generativen Familien (IBM). Die generative Seite gliedert sich heute in erkennbare Untertypen: große Sprachmodelle für Text, Diffusionsmodelle für Bild und Video sowie Reasoning-Modelle, die vor der Antwort Zwischenschritte durchlaufen.

Basismodelle und KI mit allgemeinem Verwendungszweck

Basismodelle werden einmal in großem Maßstab trainiert und dann für viele Zwecke angepasst. Im europäischen Recht ist die nächstliegende regulierte Kategorie das KI-Modell mit allgemeinem Verwendungszweck (GPAI), das die Verordnung mit eigenen Pflichten belegt, weil ein einziges Modell in unzählige nachgelagerte Systeme fließen kann. Stanford HAI, das den Foundation Model Transparency Index veröffentlicht, definiert ein Modell in der KI als einen auf Daten trainierten Algorithmus, der klassifiziert, vorhersagt oder erzeugt (Stanford HAI).

Beispiele für KI-Modelle im Einsatz

• Große Sprachmodelle: die GPT-Familie von OpenAI, Claude von Anthropic und Gemini von Google treiben Chat-, Schreib- und Coding-Assistenten an.
• Bild- und Videomodelle: Diffusionssysteme wie Midjourney und DALL-E erzeugen Bilder aus Textanweisungen.
• Offen oder proprietär: proprietäre Modelle werden von ihrem Anbieter gehostet, während Modelle mit offenen Gewichten wie Llama oder Mistral heruntergeladen und intern betrieben werden können, eine Wahl mit unmittelbaren Folgen für die Konformität.
• Unternehmens-Vorhersagemodelle: Klassifikations- und Regressionsmodelle bewerten Kreditrisiken, prognostizieren Nachfrage oder melden Betrug, oft unsichtbar in Geschäftssoftware eingebettet.

Gerade die letzte Kategorie wird am stärksten unterschätzt. Das Vorhersagemodell in der SaaS-Funktion eines Anbieters bleibt ein KI-Modell, für das Ihr Governance-Programm einsteht. Der AI-Sigil-Ressourcenbereich zeigt, wie solche eingebetteten Modelle in realen Inventaren auftauchen.

Warum KI-Modelle Governance brauchen

Die Seiten, die zu dieser Suchanfrage ranken, enden beim „Was“ und beim „Wie“. Die schwierigere Frage für jede regulierte Organisation lautet: Wer steht ein, und wie lässt es sich belegen? Drei Kräfte machen die Modell-Governance unausweichlich.

Erstens Schattenmodelle. Teams führen KI-Funktionen schneller ein, als eine zentrale Stelle sie erfassen kann, sodass Modelle über Werkzeuge ins Unternehmen gelangen, die niemand registriert hat. Ein Inventar, das sie übersieht, ist ein Inventar, das in die Irre führt.

Zweitens ist das Modellrisiko konkret und messbar: aus Trainingsdaten geerbte Verzerrung, Leistungsdrift nach dem Einsatz, Sicherheitsexposition über die Modellschnittstelle und undurchsichtige Entscheidungen, die schwer anzufechten sind. Jedes davon ist ein Fehlermodus, den eine Kontrolle adressieren kann, aber erst, wenn das Modell bekannt ist.

Drittens ist die Regulierung da, und sie knüpft Pflichten unmittelbar an die Modelle, nicht nur an die darauf gebauten Systeme. Die Unterscheidung Modell gegen System ist der Angelpunkt. Nach der EU-KI-Verordnung trägt der Anbieter eines GPAI-Modells Dokumentations- und Transparenzpflichten, während der Betreiber, der darauf ein System aufbaut, seine eigenen trägt. Wer diese Grenze falsch liest, lässt die Verantwortung in die Lücke fallen. Ein klarer Blick auf die Governance von KI-Modellen hält diese Lücke geschlossen.

Wie man ein KI-Modell steuert: ein praxisnaher Rahmen

Governance verlangt nicht, Innovation zu bremsen. Sie verlangt eine wiederholbare Schleife, die das NIST AI Risk Management Framework in vier Schritte gliedert: Govern, Map, Measure und Manage. Fünf Schritte machen sie konkret, und eine KI-Governance-Plattform dient dazu, sie an einem Ort auszuführen.

Jedes Modell inventarisieren

Man steuert nicht, was man nicht sieht. Führen Sie ein einziges Register aller eingesetzten Modelle, einschließlich jener, die in Drittanbieter-Werkzeugen stecken, und der Pilotprojekte, die nie durch den Einkauf liefen. Erfassen Sie Verantwortlichen, Zweck, Datenquellen sowie ob Ihre Organisation das Modell entwickelt oder nur betreibt. Das Inventar ist das Fundament, auf dem jede weitere Kontrolle ruht.

Jedes Modell dokumentieren

Dokumentation ist das regulatorische Artefakt, kein Papierkram. Eine Modellkarte hält Fähigkeiten, Grenzen, vorgesehene Verwendungen und Ergebnisse von Tests vor dem Einsatz fest, eine Praxis, die das NIST AI RMF in den Kern der Transparenz stellt (NIST AI RMF). Für GPAI-Modelle macht die EU-KI-Verordnung dies verpflichtend: Anhang XI listet die technische Dokumentation auf, die ein Anbieter führen muss, von den Trainingsdaten über die Architektur bis zum Energieverbrauch (EU-KI-Verordnung, Anhang XI).

Modellrisiko bewerten und steuern

Ordnen Sie jedes Modell den Schäden zu, die es verursachen könnte, messen Sie diese Risiken mit Tests und Kennzahlen und steuern Sie sie dann mit Kontrollen und Freigaben. Für generative Modelle führt das Profil NIST AI 600-1 zwölf Risiken auf, die der generativen KI eigen oder durch sie verschärft sind, samt mehr als zweihundert empfohlenen Maßnahmen (NIST AI 600-1). Die Bewertung ist kein einmaliges Tor: Sie wird wiederholt, sobald sich Modell, Daten oder Verwendung ändern.

Verantwortung zuweisen

Entscheiden Sie je Modell, ob Ihre Organisation Anbieter, Betreiber oder beides ist, denn die Pflichten unterscheiden sich. Die EU-KI-Verordnung legt sogar fest, welche Informationen ein Modellanbieter nachgelagerten Anbietern übergeben muss, damit diese ihre eigenen Pflichten erfüllen können (EU-KI-Verordnung, Anhang XII). Einen verantwortlichen Eigner je Modell zu benennen, verwandelt abstrakte Pflichten in etwas, das eine Prüfung belegen kann.

Über den Lebenszyklus überwachen

Ein Modell, das beim Start konform war, kann aus der Konformität geraten, wenn sich Daten, Nutzung und Regulierung ändern. Bewerten Sie nach Zeitplan neu, protokollieren Sie Vorfälle und aktualisieren Sie die Dokumentation bei jeder Modelländerung. Die fortlaufende Überwachung verwandelt eine einmalige Bewertung in ein Managementsystem.

KI-Modell-Regelwerke, die Sie kennen sollten

• EU-KI-Verordnung: Artikel 53 legt vier Grundpflichten für Anbieter von Modellen mit allgemeinem Verwendungszweck fest, nämlich technische Dokumentation, Information nachgelagerter Akteure, eine Richtlinie zur Einhaltung des Urheberrechts der Union und eine öffentliche Zusammenfassung der Trainingsinhalte (EU-KI-Verordnung, Artikel 53). Modelle mit systemischem Risiko unterliegen zusätzlichen Pflichten zu Bewertung, adversen Tests und Vorfallmeldung.
• NIST AI Risk Management Framework: ein freiwilliger US-Rahmen, der Dokumentation, Tests und Überwachung von Modellen nach Govern, Map, Measure und Manage ordnet, wobei das Profil für generative KI (NIST AI 600-1) ihn auf generative Modelle ausweitet.
• ISO/IEC 42001: die erste zertifizierbare Norm für ein KI-Managementsystem, die von Organisationen verlangt, ihre Modelle unter dokumentierter Governance, mit Risikobewertung und kontinuierlicher Verbesserung zu betreiben (ISO).

Zusammen zeichnen diese Texte eine übereinstimmende Erwartung: Jedes KI-Modell sollte inventarisiert, dokumentiert, risikobewertet und über sein gesamtes Leben überwacht werden. Genau dieser Ablauf ist es, den eine KI-Governance-Plattform ausführen soll. In Deutschland ergänzen Behörden wie das BSI und der BfDI eigene Erwartungen an Sicherheit und den Schutz personenbezogener Daten.

FAQ

Was ist ein Modell in der KI? Ein KI-Modell ist ein Softwareprogramm, das Muster aus Daten gelernt hat, um eine Aufgabe zu erfüllen: Bilder klassifizieren, eine Zahl vorhersagen, Sprache analysieren oder Inhalte erzeugen. Sein Verhalten stammt aus Parametern, die im Training justiert wurden, nicht aus von Hand geschriebenen Regeln.

Was sind die vier Typen von KI-Modellen? Die gängigste Einteilung folgt dem Lernverfahren: überwachte, unüberwachte, bestärkende und tiefe Lernmodelle. Nach Ausgabe unterscheidet man zudem diskriminative Modelle, die kategorisieren oder vorhersagen, und generative Modelle, die neue Inhalte schaffen.

Was sind aktuell die besten KI-Modelle? 2026 zählen zu den meistgenutzten Allzweckmodellen die GPT-Familie von OpenAI, Claude von Anthropic und Gemini von Google für Sprache sowie Diffusionsmodelle wie Midjourney und DALL-E für Bilder. Familien mit offenen Gewichten wie Llama und Mistral sind dort weit verbreitet, wo intern betrieben werden muss.

Wie erstellt man ein KI-Modell? Man definiert die Aufgabe, sammelt und bereitet einen repräsentativen Datensatz auf, wählt einen Algorithmus oder ein anzupassendes Basismodell, trainiert es unter Validierung auf zurückgehaltenen Daten und testet, betreibt und überwacht es anschließend. In einer gesteuerten Umgebung begleiten Dokumentation und Risikobewertung jeden Schritt, nicht erst danach.

Worin unterscheiden sich KI-Modell und KI-System? Das Modell ist der trainierte Bestandteil. Das KI-System ist das Produkt, das ein Modell für einen bestimmten Zweck nutzbar macht, mit Eingaben, Schnittstelle und Ausgaben. Die EU-KI-Verordnung regelt Modelle mit allgemeinem Verwendungszweck und Systeme getrennt, weshalb diese Grenze entscheidet, wer verantwortlich ist.

Müssen KI-Modelle gesetzlich dokumentiert werden? In der Europäischen Union müssen Anbieter von Modellen mit allgemeinem Verwendungszweck die in Anhang XI der EU-KI-Verordnung festgelegte technische Dokumentation führen und nachgelagerten Akteuren Informationen nach Anhang XII bereitstellen. Selbst wo das Gesetz es noch nicht verlangt, machen Rahmenwerke wie das NIST AI RMF und die Norm ISO/IEC 42001 daraus gängige Praxis.

Fazit

Die Definition eines KI-Modells ist nicht mehr strittig: Es ist ein Programm gelernter Parameter, das Daten in Vorhersagen oder Inhalte verwandelt. Was Organisationen heute unterscheidet, ist nicht die Fähigkeit, ein Modell zu definieren, sondern die Fähigkeit, jedes betriebene Modell zu benennen, zu belegen, wie es gebaut und getestet wurde, und zu zeigen, wer im Fehlerfall einsteht. Darin liegt der Übergang: vom Wissen, was ein KI-Modell ist, zum Steuern eines solchen. AI Sigil gibt Compliance- und Risikoteams einen einzigen Ort, um Modelle zu inventarisieren, ihre Dokumentation zu führen und sie der EU-KI-Verordnung, der Norm ISO/IEC 42001 und dem NIST AI RMF zuzuordnen. Sehen Sie auf der AI-Sigil-Plattform, wie das funktioniert.